Muscle insulin resistance: assault by lipids, cytokines and local macrophages
Notice bibliographique
Résumé
PURPOSE OF REVIEW: The present review outlines possible mechanisms by which high fatty acids, associated with high-fat diet and obesity, impose insulin resistance on glucose uptake into skeletal muscle. RECENT FINDINGS: It is well established that muscle insulin resistance arises in conditions of high-fatty acid availability, and correlates with accumulation of triglycerides within skeletal muscle fibres. However, it is debated whether triglycerides or other lipid metabolites such as diacylglycerols and ceramides are directly responsible. These lipid metabolites can activate serine kinases that impair insulin signalling. Accumulation of acylcarnitines and reactive oxygen species could be additional causative agents of insulin resistance. Further, the precise defects in insulin signalling in muscle caused by high intramuscular lipid (i.e. lipotoxicity) remain unclear. In parallel, proinflammatory activation within the adipose tissue of obese and high-fat fed animals or humans causes muscle insulin resistance, and is ascribed to circulating inflammatory cytokines. Recent evidence also shows proinflammatory macrophages infiltrating muscle tissue and/or intermuscular adipose tissue, and there is growing evidence that fatty acids trigger macrophages to secrete factors that directly impair insulin actions. These factors are postulated to activate stress-signalling pathways in muscle that act on the same insulin-signalling components affected by lipotoxicity. SUMMARY: Altered intramuscular lipid metabolism, circulating cytokines, and inflammatory macrophage infiltration of muscle tissue have been recently linked to muscle insulin resistance provoked by fatty acids. Each is analysed separately in this review, but they may act simultaneously and synergistically to render skeletal muscle insulin-resistant.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».